• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    一種用于心電圖分類的改進神經網絡算法

    2023-02-06 07:48:32塵昌華喬風娟
    計算機技術與發(fā)展 2023年1期
    關鍵詞:電信號特征提取注意力

    塵昌華,喬風娟,李 彬

    (1.上海開放大學奉賢分校,上海 201499;2.齊魯工業(yè)大學(山東省科學院) 數學與統(tǒng)計學院,山東 濟南 250353)

    0 引 言

    據統(tǒng)計,心血管疾病的死亡率在所有疾病中居于首位,遠高于惡性腫瘤、呼吸系統(tǒng)疾病等。心電圖(Electrocardiogram,ECG)能夠反映人體的電信號活動情況,是醫(yī)生用來診斷心血管疾病的重要依據。由于ECG中包含各種噪聲,如基線漂移、肌電干擾和工頻干擾等,醫(yī)生在診斷時往往需要先忽略干擾較多的波形再進行判斷。

    近年來,計算機輔助ECG診斷技術有了較大發(fā)展?,F有的診斷技術主要包括三個步驟:去噪、特征提取和分類。常用的去噪方法主要有:基于小波變換的方法[1]、基于數字濾波器的方法[2]以及基于閾值的方法[3]等。Singh[4]將經驗小波變換(Empirical Wavelet Transform,EWT)用于ECG信號的去噪,證明了該算法的有效性;Sai[5]證明了在ECG信號的去噪過程中,提升小波變換(Lifting Wavelet Transform,LWT)的去噪性能優(yōu)于中值濾波。

    深度學習方法能夠同時實現ECG信號的特征提取和分類,近年來在ECG輔助診斷方面取得了令人滿意的成果。Acharya等[6]設計了一種九層的卷積神經網絡結構,在MIT-BIH數據集上實現了94.03%的識別準確率;Chauhan等[7]采用LSTM網絡對正常心跳和異常心跳進行分類,準確率為96.45%;Shu等[8]將LSTM與CNN相結合,開發(fā)了一種新的處理變長心電信號的混合結構,在MIT-BIH數據集上的識別準確率為98.10%。但是,現有的大多數算法都是僅基于MIT-BIH這一個數據集得出的結論,該數據集僅采集了47個人的心電圖,算法的泛化性和實用性難以得到驗證。

    為了較好地提高ECG信號的分類識別率和處理效率,該文提出了基于EWT的提升小波閾值去噪方法:對含噪信號進行經驗小波分解,得到多頻率的模態(tài)分量IMFs;對IMFs作提升小波閾值去噪處理;用經過提升小波閾值去噪技術處理過的模態(tài)分量進行重構,得到最終去噪后的信號。然后,設計了LRF-BLSTM-Attention模型,利用三個交替的隨機卷積層和最大池化層提取ECG信號的空間特征,利用BLSTM獲得ECG信號的時間特征,在BLSTM隱藏層的輸出中引入注意力機制,給重要的特征分配更多的注意力,進一步挖掘序列信息的相關性,提高ECG識別的準確率。最后,基于CCDD和MIT-BIH數據集進行仿真實驗,驗證該所提出模型算法結構的實用性。

    針對心電信號的自動分類工作進行研究,首先,現有的算法大多都是基于MIT-BIH數據集,該數據集的心電信號來自于少數個體,代表性不強。這造成有些算法在該數據集上能夠取得很好的識別準確率,在臨床應用上的識別效果很差。該文不僅采用了MIT-BIH Arrhythmia數據集,還采用了CCDD數據庫,該數據庫數據量大,且背景噪聲較多,共有17萬條來自不同病人的心電信號,更具有臨床代表性。同時,現有的心電信號自動分類方法多是針對單導聯數據進行分類,不能考慮其他導聯的特征信息。該文考慮了導聯之間的相關性,提出了多通道模型,能夠實現多導聯心電信號的分類。

    1 基于EWT的提升小波閾值去噪方法

    經驗小波變換[9]是Gilles結合經驗模態(tài)分解和小波分析而提出的信號處理方法。

    首先,將信號頻譜范圍規(guī)范化到[0,π],并將其分割為連續(xù)的N段,每段為Λn,即:

    (1)

    假設為以ωn為中心,即Λn=[ωn-1,ωn],則寬度為Tn=2τn。

    (2)

    (3)

    其中,β(x)=x4(35-84x+70x2-20x3)。

    (4)

    (5)

    提升小波法[10]是Swelden在小波變換的基礎上提出的第二代小波算法,繼承了第一代小波算法的多分辨率特性,且不依賴于傅里葉變換,大大降低了算法復雜度和內存需求,是目前對離散信號進行分析的重要方法。

    提升小波法主要分為分裂、預測、更新三個步驟:首先,根據原始信號x(n)的奇偶性分解為兩個互不重疊的奇序列{xo(k)=x(2k+1)}和偶序列{xe(k)=x(2k)};根據相關性原則,利用偶序列來預測奇序列,產生細節(jié)信號d(k):d(k)=xo(k)-P(xe(k));根據完整性原則,對偶序列進行更新,得到信號的逼近序列c(k),更新公式為c(k)=xe(k)+U(d(k)),U為更新算子。

    文中所使用的閾值去噪方法是Donoho等人提出的軟閾值去噪法,軟閾值函數為:

    (6)

    其中,λ為閾值,x為高頻小波系數。

    在上文所述基礎上,提出了EWT的提升小波閾值去噪方法[11],該方法的主要操作過程如下:首先,對含噪的原始信號進行經驗小波分解,得到多頻率的模態(tài)分量IMFs;然后,對IMFs作提升小波閾值去噪處理;最后,重構經過提升小波閾值去噪技術處理過的模態(tài)分量,即可得到最終去噪后的信號。

    2 相關模型

    2.1 基于局部感受野的極限學習機

    基于局部感受野的極限學習機(Local Receptive Fields Based Extreme Learning Machine,ELM-LRF)是在極限學習機的基礎上引入局部感受野的概念而提出的一種網絡模型,能夠實現特征的自動提取和分類,具有模型復雜度低、速度快的優(yōu)點[12]。

    ELM-LRF模型的網絡結構主要包括隨機卷積層、池化層和輸出層三個部分,如圖1所示。

    圖1 ELM-LRF模型的網絡結構

    (1)隨機卷積層。隨機卷積的概念借鑒于卷積神經網絡中的卷積操作。不同點在于:隨機卷積過程中,卷積核中的每一個元素都根據概率分布隨機生成并確定,不需要進行迭代、微調。假設模型的輸入是大小為d×1的向量,卷積核的大小為r×1,第k個特征圖的權重表示為ak∈Rr×1,輸出節(jié)點(i,1)處的值ci,1,k(x)為:

    i=1,2,…,(d-r+1)

    (7)

    (2)最大池化層。利用最大池化去除冗余信息,減少特征維數。設池化大小為s×1,第k個特征圖在節(jié)點(p,1)處的值hp,1,k為:

    hp,1,k=max(ci,1),i=p-s/2,…,p+s/2

    (8)

    其中,p,q=1,2,…,(d-r+1)。

    (3)輸出層。通過最后一個隱藏層的輸出H求解輸出權重β,計算公式為:

    (9)

    2.2 BLSTM

    LSTM是循環(huán)神經網絡[13](Recurrent Neural Network,RNN)的一種變型,能夠避免RNN訓練過程中出現的梯度消失或梯度爆炸問題,目前已廣泛應用于文本分類[14]、電力預測[15]等多個領域。

    一般的LSTM記憶單元結構如圖2所示。LSTM網絡由輸入層、隱藏層和輸出層組成,與傳統(tǒng)RNN不同的是,LSTM網絡的隱藏神經元由LSTM記憶單元構成,每個記憶單元包括遺忘門(Forget Gate)、輸入門(Input Gate)、輸出門(Output Gate)三個部分,遺忘門確定當前的細胞狀態(tài)中的舍棄信息,輸入門確定更新當前細胞狀態(tài)的信息,輸出門確定隱藏層的輸出狀態(tài)。

    圖2 一般的LSTM記憶單元結構

    LSTM的計算過程如下:

    ft=σ(Wf[xt,ht-1]+bf)

    (10)

    it=σ(Wi[xt,ht-1]+bi)

    (11)

    gt=tanh(Wg[xt,ht-1]+bg)

    (12)

    ot=σ(Wo[xt,ht-1]+bo)

    (13)

    ct=ft⊙ct-1+it

    (14)

    ht=ot⊙tanh(ct)

    (15)

    其中,ft、it、ot、ct分別表示遺忘門、輸入門和輸出門和細胞狀態(tài)在t時刻的輸出,Wf、Wi和Wo分別表示各個門結構的權重,bf、bi和bo分別表示它們的偏置。xt表示t時刻的輸入,ct表示t時刻的細胞狀態(tài),ht表示隱藏層在時刻t的輸出,σ表示sigmoid函數,tanh表示雙曲正切激活函數,⊙表示Hadamard乘積。

    心電圖信號的分類識別依賴于過去和未來的時間特征信息,而LSTM只能考慮過去的信息,不能考慮未來的信息,在一定程度上影響了心電圖的識別效果。BLSTM模型是在LSTM的基礎上提出的[13],能夠彌補LSTM模型的不足,通過正向LSTM傳播和反向LSTM傳播能夠分別學習心電信號的前向特征和后向特征。二者結合,就能得到心電信號的總體特征。

    2.3 注意力機制

    注意力機制(Attention Mechanism)于2014年由Bahdanau提出[15],模仿了人類大腦中特有的圖像處理機制。該方法能夠根據需要有選擇地分配注意力,提高計算機進行信息處理的效率。注意力機制目前廣泛應用于各種深度學習領域,如機器翻譯[16]、圖像處理[17]、文本分類[18]等。注意力機制在BLSTM中的計算過程如下:

    首先,根據當前時刻信號過去和未來信號的依賴關系,對BLSTM網絡隱藏層輸出的信號特征ht賦予注意力權重at。其計算公式為:

    at=tan(ht)

    (16)

    接著,通過softmax函數對注意力權重at進行歸一化處理。計算公式表示為:

    (17)

    最后,分配注意力權重。根據注意力權重的大小給特征向量ht分配注意力資源,增強信號的特征表達能力。計算公式表示為:

    (18)

    在心電圖識別任務中,通過隨機卷積層和池化層能夠獲得心電信號的局部空間特征,通過BLSTM網絡能夠進一步得到心電信號的時間特征表示。然而,這兩部分都沒有突出心電信號當前采樣點與之前、之后采樣點之間的關聯性,不利于長時間的心電信號識別任務。為了增強距離較遠采樣點之間的相關性,該文引入了注意力機制,即有選擇地給與不同重要程度的采樣點不同的注意力資源。在模型中引入注意力機制,不僅能夠獲得心電信號的空間特征和時間特征,還能夠考慮當前采樣點和上下文時刻采樣點的關聯性,使得模型在具有重要信息的區(qū)域獲得更多的注意力資源,提高心電圖分類識別的準確率。

    3 文中方法

    3.1 模 型

    結合ELM-LRF、BLSTM和注意力機制,該文提出了一種新的網絡結構,記為LRF-BLSTM- Attention模型。下面以多導聯數據的心電信號自動分類任務為例,介紹該模型的網絡結構。如圖3所示,該模型由輸入層、ELM-LRF特征提取器、BLSTM網絡層和注意力層四大部分組成。

    圖3 LRF-BLSTM-Attention模型結構

    (1)輸入層。

    該模型的輸入是去噪后的心電信號,以每一個導聯分別作為輸入,訓練多個ELM-LRF特征提取器。設一段心電信號共有m個導聯,n個采樣點,則該信號可以表示為:

    (19)

    共訓練m個ELM-LRF特征提取器,第i個特征提取器的輸入是xi=(xi1,xi2,…,xin)。

    (2)ELM-LRF特征提取器。

    ELM-LRF特征提取器通過三個堆疊的隨機卷積層和最大池化層對輸入的心電信號進行深層特征提取,隨機卷積層和池化層交替出現。首先,利用第一個隨機卷積層對心電信號特征提取,并將輸出作為第一個最大池化層的輸入,該層的輸出為第二個隨機卷積層的輸入,依此循環(huán),共有三個隨機卷積層和三個最大池化層。將最后一個最大池化層的所有特征子圖合并,傳送到BLSTM部分。

    卷積核大小的不同代表局部感受野的不同,能夠提取到不同層次的特征。在實際任務中,隨機卷積層中卷積核的大小和池化大小根據經驗確定大致范圍,并通過試湊法確定。

    (3)BLSTM網絡層。

    ELM-LRF特征提取器的輸出表示為(s1,s2,…,sn),以此作為BLSTM網絡層的輸入。BLSTM網絡可以看作一個正向LSTM和一個反向LSTM,隱層輸出分別表示為hf=(hf1,hf2,…,hfn)和hb=(hb1,hb2,…,hbn),將hf和hb進行拼接,得到h=(hf;hb),即為BLSTM網絡層所提取的特征向量,反映了輸入序列的時間信息和依賴關系。

    (4)注意力層。

    為了進一步凸顯心電信號的主要特征,引入注意力機制。將BLSTM網絡層所提取的特征向量h=(hf;hb)進行整合,得到注意力層的輸入,表示為H:(h1,h2,…,hn)。由式(16)、(17)、(18),得到最終的特征向量,并利用softmax函數得到分類結果。

    3.2 模型訓練

    所提出模型算法中,隨機卷積層的參數是根據概率分布隨機確定的,不需要通過迭代調整。因此,僅需要訓練BLSTM和注意力機制中的參數。本模型在最后一個Dense層利用softmax進行分類,計算公式如下:

    (20)

    其中,j為類別,xi表示輸入的第i個樣本,P(yi=j|xi)為獲得第i個樣本的類標簽的概率函數。N表示樣本數目,w表示模型中的參數。

    在訓練過程中,優(yōu)化器選擇Nadam[19],損失函數為交叉熵損失函數,計算公式為:

    (21)

    其中,yi為第i個樣本的類標簽,m為類別總數。

    為了防止過擬合,在訓練時引入Dropout,以一定的概率丟棄一些隱層神經元。為了提高運行速度,降低對內存的要求,實驗采用分批次訓練方法,批次大小設為128。

    4 仿真實驗

    4.1 實驗環(huán)境及評價指標

    實驗所利用的處理器是3.70 GHz Intel(R) Core(TM) i7-8700K,內存為32 GB,使用的編程語言為MATLAB R2018a和Python 3.5,調用的庫主要有:Keras、Numpy、wfdb、matplotlib、pandas、scipy、math等。

    為了驗證所提出方法的有效性,以特異性、靈敏度和準確率作為模型性能的評價指標。

    4.2 數據集描述

    (1)中國心血管疾病數據集。

    中國心血管疾病數據集(Chinese Cardiovascular Disease Database,CCDD)是針對中國的心血管疾病患者而建立的[20],數據庫的所有數據均來自于醫(yī)院的臨床數據。該數據庫中共包含17萬多條數據,每條數據都來自不同的患者,共包含十二導聯數據,采樣時間為10 s左右,采樣頻率為500 Hz。

    (2)MIT-BIH Arrhythmia數據集。

    MIT-BIH心律失常數據集[21]包含了來自Beth Israel Hospital (BIH)住院患者的48條心電圖信號記錄。每一個心電信號都超過30分鐘,并由心血管疾病專家進行注釋。在該數據集上,以單個的心拍為單位進行分類。首先,對數據下采樣到250 Hz[22]并去噪,通過pan-tompkin算法檢測R峰[23],并取R峰前100、后149個采樣點組成一個完整的心拍。本實驗中,共使用四種心拍類型,分別是正常竇性心律(Normal Sinus Rhythm,NSR)、左束支傳導阻滯(Left Bundle Branch Block,LBBB)、右束支傳導阻滯(Right Bundle Branch Block,RBBB)、室性早縮(Ventricular Premature Contraction,VPC)。

    4.3 CCDD的預處理

    (1)讀取數據。由于導聯數據的正交性,實驗中讀取八個導聯的數據,分別是Ⅱ、Ⅲ、Ⅴ1、Ⅴ2、Ⅴ3、Ⅴ4、Ⅴ5、Ⅴ6導聯,其他導聯的數據可由這八個導聯推導得出。

    (2)剔除標簽為“0x00”(無效)和采樣時間不足9 s的心電記錄。由于操作失誤等原因可能會導致心電信號一直為0,將這類記錄也剔除。

    (3)考慮到內存需求和數據平衡性要求,在剩下的數據中選擇前5萬正常數據和前5萬異常數據作為本次實驗的數據集,共計10萬數據。將實驗數據集隨機打亂,并按照7∶3的比例分為訓練集和測試集。

    (4)為了降低模型訓練的復雜度,根據文獻[22],實驗中將CCDD的數據下采樣到250 Hz。

    (5)去噪。對CCDD數據庫中的心電記錄進行基于EWT的提升小波閾值去噪實驗。

    4.4 實驗設計和結果

    (1)CCDD。

    LRF-BLSTM-Attention模型用于CCDD數據集時的結構設計如表1所示。第一至六層為特征提取器,隨機卷積層和最大池化層交替出現,隨機卷積層中分別采用4、8、16個大小為7×1、6×1、5×1的卷積核;第七層和第八層分別為BLSTM層和Attention層,第九層為Dense層,利用softmax函數輸出心電信號的類別概率。

    表1 CCDD的LRF-BLSTM-Attention結構設計

    利用Dropout防止過擬合處理中,選擇合適的丟棄概率對網絡模型的訓練至關重要,如果丟棄概率太小,可能難以達到消除過擬合的作用,如果丟棄概率太大,則可能會丟失數據中的重要信息。實驗中分別選擇不同的Dropout值進行多次實驗,結果如圖4所示。當Dropout取值為0.3時,測試集的準確率達到最高,為86.12%,因此,最終Dropout的取值為0.3。

    圖4 不同Dropout值下的測試集準確率

    為了進一步評估所提出的LRF- BLSTM-Attention模型在心電圖信號識別領域的性能,將該模型與LSTM、BLSTM、LRF-BLSTM(未引入注意力機制)、LRF-BGRU-Attention (Bidirectional Gated Recurrent Unit)和LRF-BLSTM- Attention模型進行對比,結果如圖5所示。

    圖5 各模型的loss變化曲線

    由圖5可以看出,隨著迭代次數的增加,所有模型的損失值逐漸下降并最終收斂趨于穩(wěn)定。LSTM模型和BLSTM模型收斂較快,但loss函數最終收斂的值偏大,說明這兩種模型的學習能力較差。而LRF-BLSTM模型、LRF-BGRU-Attention模型、LRF-BLSTM-Attention模型的loss函數最終收斂的值較小,說明ELM-LRF與BLSTM模型的結合提高了模型的學習能力。

    在這三種模型中,LRF-BLSTM模型在訓練約90輪后loss曲線趨于平穩(wěn),而LRF-BGRU-Attention模型和LRF-BLSTM- Attention模型的loss函數達到最終收斂大約需要經過50輪迭代訓練。這說明注意力機制的引入加強了序列信息之間的關聯性,進一步優(yōu)化了模型的特征表達能力,從而使得loss函數達到收斂所需的迭代次數降低。

    各模型在CCDD上的識別結果如表2所示。可以看出,LSTM模型的識別準確率為75.43%,BLSTM模型的識別準確率為75.91%,這是因為單項LSTM模型只能學習時間序列的歷史信息,而BLSTM模型能夠同時學習歷史和未來的信息,優(yōu)化了模型的特征表達能力,因此接下來的實驗中均采用BLSTM層LRF-BLSTM-Attention模型的loss值比LRF-BGRU-Attention模型低,說明LRF-BLSTM- Attention模型具有更好的特征表達能力。相較于其他對比模型,所提出的LRF-BLSTM-Attention模型的靈敏度和識別準確率均最高,分別為89.32%和86.12%。同時,可以發(fā)現使用未去噪數據的LRF-BLSTM-Attention模型(No Denoising)準確率為84.26%,相較于使用去噪數據的LRF-BLSTM- Attention模型準確率較低,證明了所提出的去噪算法(基于EWT的提升小波閾值去噪方法)的實用性。

    表2 不同算法在CCDD上的識別結果 %

    表3列出了不同算法訓練一輪的時間??梢钥闯?,LSTM在CCDD數據上訓練一輪所需要的時間是41 s,BLSTM需要61 s。對比LSTM模型和BLSTM模型,LRF-BLST模型訓練一輪僅需要29 s,這是因為LRF模型能夠通過卷積和池化操作減少輸入特征的維數,進而減少訓練時間。LRF-BGRU-Attention模型訓練一輪的時間為27 s,比LRF-BLSTM模型的時間少,這是因為BGRU模型比BLSTM模型的復雜度更低,但是BGRU模型的震蕩幅度較大,說明該模型的穩(wěn)定性較差。LRF-BLSTM-Attention模型訓練一輪的時間為45 s,比LRF-BLSTM所需的時間多,說明進入注意力機制的LRF-BLSTM-Attention模型復雜度更高,所需的訓練時間更長。由圖5和表3,相比于其他對比模型,LRF-BLSTM-Attention模型達到最小loss值所需要訓練的輪數更少,loss值也最小,因此,認為增加模型復雜度是有必要的。

    表3 不同算法訓練一輪的時間對比

    為了進一步評估所提出算法的性能,表4給出了在CCDD上多種模型的識別結果比較。Wang L P等[24]提出了ECG-MTHC(Multi-way Tree Based Hybrid Classifier,MTHC)模型,以犧牲特異性為代價,達到了較高的靈敏度,最終識別準確率為77.70%。Jin L P[25]針對多導聯心電圖,設計了多導聯卷積神經網絡,達到了83.66%的識別準確率。Li H H[26]首先篩選異常數據,然后使用導聯卷積神經網絡進行分類,識別準確率達到了84.77%。與其他的識別算法比,LRF-BLSTM-Attention模型的識別準確率最高,為86.12%,特異性和靈敏度分別為82.94%和89.32%。該實驗證明了LRF-BLSTM-Attention模型在計算機輔助心血管疾病診斷領域的實用性和高效性。

    表4 在CCDD上多種模型的識別結果比較 %

    (2)MIT-BIH數據集。

    由于目前大多數心電識別算法的評估都是基于MIT-BIH數據集進行的,為了進一步驗證所提出的LRF-BLSTM-Attention模型的性能,實驗中也將該模型用于MIT-BIH數據集的識別。在MIT-BIH數據庫的識別任務中,一條心拍的長度為250,因此模型的輸入為250×1,相比于CCDD數據集中一條記錄的長度為2 250少了很多。為了防止在訓練過程中丟失過多信息,實驗中減小了池化層中的核的大小,其具體設計如表5所示。

    表5 MIT-BIH數據庫的LRF-BLSTM-Attention

    各模型的loss曲線如圖6所示。對比其他模型,LRF-BLSTM-Attention模型的loss曲線達到穩(wěn)定狀態(tài)所需的訓練論數最少,并且達到的loss值最小,說明了所提出模型的優(yōu)越性。

    圖6 各模型的loss變化曲線

    與大多數現有的心電圖分類模型相比,所提出的算法具有優(yōu)勢。不同模型的識別結果如表6所示。Elhaj[27]通過多種特征提取方式進行特征提取并融合,利用SVM進行分類,得到98.91%的識別準確率;Acharya[6]通過9層的CNN實現心電信號的自動分類,識別準確率為94.03%;Yang[28]利用PCANet提取特征,并利用SVM分類,實現97.08%的識別準確率;Yang[29]結合ICA和PCANet對心電信號進行識別,識別準確率達到98.63%;在之前的文章中,利用LRF-BLSTM模型分別實現了99.32%,97.15%的準確率和靈敏度[30]。與對比模型相比,所提出的算法在MIT-BIH數據集上達到較高的識別準確率,為99.87%。

    表6 MIT-BIH上不同模型識別結果

    4.5 結果分析

    ELM-LRF能夠學習心電信號的空間信息。卷積操作通過構建隨機濾波器平滑時間序列,學習其特征表示;池化操作能夠去掉冗余特征,減小輸入的特征維數,具有平移不變性、旋轉不變性和尺度不變性等特點。BLSTM模型能夠充分學習歷史和未來的時間信息,獲得序列的時間特征表示。LRF-BLSTM模型結合ELM-LRF模型和BLSTM模型的優(yōu)點,使得模型的識別效率提高。在LRF-BLSTM中引入注意力機制,能夠加強當前時間信息與歷史、未來信息的關聯性,利用分配注意力權重的大小凸顯特征向量的重要程度,從而進一步優(yōu)化模型的特征提取和表達能力。因此,所提出的LRF-BLSTM-Attention模型能夠強化心電信號的特征表示,實現較高的識別準確率,在CCDD和MIT-BIH數據集上分別達到了86.12%和99.87%。

    在時間復雜度方面,由于ELM-LRF模型能夠降低輸入特征的維數,減少訓練時間,因此LRF-BLSTM模型訓練一輪所需的時間比單一的BLSTM模型少。LRF-BLSTM-Attention模型由于引入了注意力機制,使得模型復雜度增加,但loss曲線收斂速度加快,總體訓練時間減少。

    實驗結果表明,LRF-BLSTM-Attention模型在心血管疾病的計算機臨床輔助診斷中具有較好的實用性和計算效率。

    5 結束語

    針對心電圖識別問題,提出了一種基于EWT的提升小波閾值去噪方法,并設計了LRF-BLSTM- Attention模型。ELM-LRF、BLSTM和注意力機制的結合能夠提高模型的特征提取能力,進而提高識別準確率。分別在CCDD和MIT-BIH數據集上進行實驗,識別準確率分別為86.12%和99.87%,驗證了LRF-BLSTM-Attention模型在心電圖識別問題上的優(yōu)勢。注意力機制的引入增加了模型復雜度,在未來的心電圖識別中,將進一步改進該模型,降低時間復雜度,處理更多、更復雜的心電圖數據。

    猜你喜歡
    電信號特征提取注意力
    讓注意力“飛”回來
    基于聯合聚類分析的單通道腹部心電信號的胎心率提取
    基于Code Composer Studio3.3完成對心電信號的去噪
    科技傳播(2019年24期)2019-06-15 09:29:28
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    基于隨機森林的航天器電信號多分類識別方法
    “揚眼”APP:讓注意力“變現”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    Bagging RCSP腦電特征提取算法
    A Beautiful Way Of Looking At Things
    基于MED和循環(huán)域解調的多故障特征提取
    基于生物電信號的駕駛疲勞檢測方法
    汽車電器(2014年8期)2014-02-28 12:14:29
    欧美日韩视频精品一区| 国产免费一级a男人的天堂| 国产精品麻豆人妻色哟哟久久| 亚洲欧美一区二区三区国产| 日韩强制内射视频| 亚洲精品乱久久久久久| 日韩一本色道免费dvd| 久久久久国产网址| 日韩视频在线欧美| 99九九在线精品视频 | 久久国产乱子免费精品| 夫妻性生交免费视频一级片| 99久久精品一区二区三区| 人妻少妇偷人精品九色| 国产成人免费无遮挡视频| freevideosex欧美| 午夜免费观看性视频| 中文字幕免费在线视频6| 国产高清有码在线观看视频| 久久久久精品久久久久真实原创| 色94色欧美一区二区| av专区在线播放| 亚洲欧美日韩另类电影网站| av一本久久久久| 街头女战士在线观看网站| 免费大片黄手机在线观看| 中文字幕人妻熟人妻熟丝袜美| 成年人午夜在线观看视频| 一级毛片电影观看| 久久精品久久久久久噜噜老黄| 成年美女黄网站色视频大全免费 | 国产精品人妻久久久影院| 亚洲真实伦在线观看| 人人妻人人澡人人爽人人夜夜| 久久精品熟女亚洲av麻豆精品| 青春草国产在线视频| 国产成人免费无遮挡视频| 国产男女内射视频| av免费观看日本| 制服丝袜香蕉在线| 精品少妇黑人巨大在线播放| 亚洲av综合色区一区| 老司机亚洲免费影院| av有码第一页| 成年av动漫网址| 99热这里只有精品一区| 久久人人爽人人片av| av卡一久久| 国产av国产精品国产| 一级片'在线观看视频| 一区在线观看完整版| 国产黄片美女视频| av天堂中文字幕网| 久久久精品免费免费高清| 欧美日韩亚洲高清精品| 在现免费观看毛片| 黄色怎么调成土黄色| 97超视频在线观看视频| 亚洲真实伦在线观看| 日本黄大片高清| 女人久久www免费人成看片| 国产精品国产av在线观看| 少妇精品久久久久久久| 国产一级毛片在线| 久久久久国产精品人妻一区二区| 国产老妇伦熟女老妇高清| 一本一本综合久久| 免费观看无遮挡的男女| 国产亚洲最大av| 极品人妻少妇av视频| 成人国产麻豆网| 免费观看a级毛片全部| 久久国产乱子免费精品| 亚洲一区二区三区欧美精品| 人妻夜夜爽99麻豆av| 熟女电影av网| 人妻 亚洲 视频| 亚洲精品国产av蜜桃| 亚洲精品第二区| 中文乱码字字幕精品一区二区三区| 亚洲精品乱久久久久久| 一区二区三区精品91| 国产精品成人在线| 人妻夜夜爽99麻豆av| 欧美日韩综合久久久久久| 熟女av电影| 国产精品麻豆人妻色哟哟久久| 欧美日韩亚洲高清精品| 国产成人aa在线观看| 精品国产国语对白av| 成人18禁高潮啪啪吃奶动态图 | 久久久久久人妻| 日韩一区二区三区影片| 日韩免费高清中文字幕av| 啦啦啦中文免费视频观看日本| 高清av免费在线| www.色视频.com| 午夜日本视频在线| 色网站视频免费| 亚洲国产日韩一区二区| 蜜桃在线观看..| 成人综合一区亚洲| 国产午夜精品一二区理论片| 久久久久久久久久久免费av| 国产精品人妻久久久久久| 一级爰片在线观看| 欧美成人精品欧美一级黄| 韩国av在线不卡| 少妇熟女欧美另类| a 毛片基地| 亚洲国产色片| 三级国产精品片| 欧美3d第一页| 男人爽女人下面视频在线观看| 欧美日韩国产mv在线观看视频| 久久精品久久精品一区二区三区| 成人特级av手机在线观看| 日韩三级伦理在线观看| 日本wwww免费看| 午夜福利网站1000一区二区三区| 中国美白少妇内射xxxbb| 日韩视频在线欧美| 新久久久久国产一级毛片| 国产91av在线免费观看| 国产无遮挡羞羞视频在线观看| 最近2019中文字幕mv第一页| 中文乱码字字幕精品一区二区三区| 国内精品宾馆在线| 亚洲精品日本国产第一区| 成年人午夜在线观看视频| 五月天丁香电影| 少妇熟女欧美另类| 麻豆精品久久久久久蜜桃| 丝袜在线中文字幕| 韩国av在线不卡| 亚洲精品成人av观看孕妇| 国产亚洲一区二区精品| 免费黄色在线免费观看| 亚洲欧美中文字幕日韩二区| 亚洲人与动物交配视频| 亚洲国产色片| 嘟嘟电影网在线观看| 国产日韩欧美视频二区| 亚洲精品456在线播放app| 久久久久久久亚洲中文字幕| 在线精品无人区一区二区三| 大香蕉久久网| 国产精品久久久久久久电影| 国产黄片美女视频| 九草在线视频观看| 久久鲁丝午夜福利片| 99re6热这里在线精品视频| 国产成人午夜福利电影在线观看| 一个人看视频在线观看www免费| 91精品一卡2卡3卡4卡| 中文字幕久久专区| 亚洲性久久影院| 免费大片黄手机在线观看| 久久久国产精品麻豆| av.在线天堂| 国内少妇人妻偷人精品xxx网站| 国产女主播在线喷水免费视频网站| 免费高清在线观看视频在线观看| 国产黄色免费在线视频| 亚洲经典国产精华液单| 久久久国产精品麻豆| 色网站视频免费| 91久久精品电影网| 纵有疾风起免费观看全集完整版| 国内少妇人妻偷人精品xxx网站| 我的老师免费观看完整版| 中文天堂在线官网| 亚洲一区二区三区欧美精品| 亚洲精品久久久久久婷婷小说| 一级,二级,三级黄色视频| av在线观看视频网站免费| 国产永久视频网站| 亚洲第一区二区三区不卡| 免费观看在线日韩| 成人毛片60女人毛片免费| 成年美女黄网站色视频大全免费 | 九九爱精品视频在线观看| 国产深夜福利视频在线观看| 久久精品国产a三级三级三级| 乱码一卡2卡4卡精品| 又黄又爽又刺激的免费视频.| 国产亚洲av片在线观看秒播厂| 免费少妇av软件| 久久婷婷青草| 蜜桃在线观看..| 人人妻人人爽人人添夜夜欢视频 | 高清午夜精品一区二区三区| 亚洲真实伦在线观看| 亚洲美女视频黄频| 高清av免费在线| 国产亚洲最大av| 啦啦啦中文免费视频观看日本| 亚洲综合精品二区| 欧美日韩av久久| 国产精品久久久久久久久免| 熟妇人妻不卡中文字幕| 狂野欧美白嫩少妇大欣赏| 美女视频免费永久观看网站| 99热这里只有精品一区| 黑人巨大精品欧美一区二区蜜桃 | 久久久午夜欧美精品| 日韩制服骚丝袜av| √禁漫天堂资源中文www| av在线播放精品| 性色avwww在线观看| a级毛色黄片| 精品亚洲成国产av| 免费看不卡的av| 日本黄色日本黄色录像| 高清午夜精品一区二区三区| 日本午夜av视频| 成人黄色视频免费在线看| 亚洲精品456在线播放app| 亚洲国产欧美日韩在线播放 | 欧美精品一区二区大全| a级毛片在线看网站| 午夜av观看不卡| 少妇被粗大猛烈的视频| 亚洲伊人久久精品综合| 久久久国产一区二区| a级毛片免费高清观看在线播放| 人人澡人人妻人| 国产成人a∨麻豆精品| 高清欧美精品videossex| 国产黄色视频一区二区在线观看| 国产亚洲一区二区精品| 老熟女久久久| 美女中出高潮动态图| 尾随美女入室| 老司机影院毛片| 高清黄色对白视频在线免费看 | 精品卡一卡二卡四卡免费| 精品少妇久久久久久888优播| 在线 av 中文字幕| 亚洲不卡免费看| 91精品一卡2卡3卡4卡| 制服丝袜香蕉在线| 国内揄拍国产精品人妻在线| 人人澡人人妻人| 亚洲欧美中文字幕日韩二区| 夜夜爽夜夜爽视频| 国产精品99久久久久久久久| 肉色欧美久久久久久久蜜桃| 欧美日韩视频精品一区| 丰满乱子伦码专区| 日日摸夜夜添夜夜爱| 六月丁香七月| 一级黄片播放器| 在线观看人妻少妇| 少妇的逼水好多| 精品国产一区二区三区久久久樱花| 亚洲av欧美aⅴ国产| 亚洲欧洲国产日韩| 一级片'在线观看视频| 日日爽夜夜爽网站| 在线免费观看不下载黄p国产| 精品99又大又爽又粗少妇毛片| 成人美女网站在线观看视频| 欧美激情国产日韩精品一区| 国产av码专区亚洲av| 日韩人妻高清精品专区| 视频区图区小说| 免费av中文字幕在线| 日日摸夜夜添夜夜爱| 免费黄色在线免费观看| 观看免费一级毛片| 久久久久久久久久成人| 免费观看av网站的网址| 免费播放大片免费观看视频在线观看| 午夜久久久在线观看| 热re99久久国产66热| 韩国高清视频一区二区三区| 97在线人人人人妻| 国产午夜精品一二区理论片| 最近中文字幕2019免费版| 男女边摸边吃奶| 国产极品粉嫩免费观看在线 | 黄色一级大片看看| 久久久亚洲精品成人影院| 日日撸夜夜添| 久久午夜福利片| 另类精品久久| 男人添女人高潮全过程视频| 国产在线免费精品| 日本与韩国留学比较| 国产成人免费观看mmmm| 18禁在线播放成人免费| 色婷婷久久久亚洲欧美| 乱人伦中国视频| 亚洲精品一二三| 国产黄片视频在线免费观看| 麻豆乱淫一区二区| 男女无遮挡免费网站观看| 波野结衣二区三区在线| 少妇人妻一区二区三区视频| 少妇的逼好多水| 中文字幕精品免费在线观看视频 | 最近中文字幕2019免费版| av免费观看日本| 日本猛色少妇xxxxx猛交久久| 一本大道久久a久久精品| 免费黄网站久久成人精品| 国产精品国产av在线观看| 免费观看在线日韩| 日韩精品有码人妻一区| 国产综合精华液| 人妻少妇偷人精品九色| 久久久久久久亚洲中文字幕| 亚洲成色77777| 国产精品福利在线免费观看| 亚洲欧洲日产国产| 国语对白做爰xxxⅹ性视频网站| 精品亚洲乱码少妇综合久久| 亚洲久久久国产精品| 最新的欧美精品一区二区| 成人18禁高潮啪啪吃奶动态图 | 搡女人真爽免费视频火全软件| 国产黄片视频在线免费观看| 国产一级毛片在线| 人妻一区二区av| 免费人妻精品一区二区三区视频| 精品久久国产蜜桃| 99热6这里只有精品| 伊人久久国产一区二区| 免费观看av网站的网址| 一级片'在线观看视频| a 毛片基地| 国产色婷婷99| 亚洲精品aⅴ在线观看| 一级毛片 在线播放| 人妻人人澡人人爽人人| 亚洲精品一区蜜桃| 大陆偷拍与自拍| 爱豆传媒免费全集在线观看| 日韩欧美精品免费久久| 亚洲国产精品国产精品| 熟女电影av网| 我的女老师完整版在线观看| 国产亚洲精品久久久com| 日日啪夜夜爽| 精品国产一区二区三区久久久樱花| 最新中文字幕久久久久| 一区二区三区免费毛片| 99久久人妻综合| 国产精品一区二区在线观看99| 亚洲怡红院男人天堂| 性色avwww在线观看| 中文字幕人妻熟人妻熟丝袜美| 大陆偷拍与自拍| 亚洲一级一片aⅴ在线观看| 欧美 亚洲 国产 日韩一| 一个人免费看片子| 22中文网久久字幕| 丰满乱子伦码专区| 亚洲欧美日韩另类电影网站| 久久毛片免费看一区二区三区| 亚洲精品视频女| 免费观看无遮挡的男女| 国产高清三级在线| 男女啪啪激烈高潮av片| 久久人人爽av亚洲精品天堂| 香蕉精品网在线| .国产精品久久| 免费不卡的大黄色大毛片视频在线观看| 高清欧美精品videossex| 一级毛片aaaaaa免费看小| 男人舔奶头视频| 亚洲婷婷狠狠爱综合网| 中文在线观看免费www的网站| 永久免费av网站大全| 欧美精品国产亚洲| 狂野欧美白嫩少妇大欣赏| 欧美变态另类bdsm刘玥| 亚洲精品,欧美精品| 国产高清有码在线观看视频| 国产欧美日韩一区二区三区在线 | 精品视频人人做人人爽| 日韩人妻高清精品专区| 久久综合国产亚洲精品| 国产一级毛片在线| 五月开心婷婷网| 97超视频在线观看视频| 精品人妻熟女av久视频| 少妇被粗大的猛进出69影院 | 免费av中文字幕在线| 青春草国产在线视频| 日韩,欧美,国产一区二区三区| 国产精品秋霞免费鲁丝片| 亚洲国产精品成人久久小说| 欧美老熟妇乱子伦牲交| 欧美日韩精品成人综合77777| 国模一区二区三区四区视频| 国产欧美日韩精品一区二区| 蜜臀久久99精品久久宅男| 啦啦啦中文免费视频观看日本| 久久精品国产亚洲av天美| 黑丝袜美女国产一区| 18禁裸乳无遮挡动漫免费视频| 丝袜在线中文字幕| 国产精品.久久久| 日本猛色少妇xxxxx猛交久久| 美女视频免费永久观看网站| 亚洲电影在线观看av| 日韩av免费高清视频| 香蕉精品网在线| 熟女电影av网| 欧美另类一区| 纯流量卡能插随身wifi吗| 熟女电影av网| av天堂久久9| 中文字幕免费在线视频6| 精品熟女少妇av免费看| 91久久精品国产一区二区三区| 女的被弄到高潮叫床怎么办| 亚洲电影在线观看av| 我要看日韩黄色一级片| 欧美日韩亚洲高清精品| 日韩人妻高清精品专区| 六月丁香七月| 国产欧美日韩精品一区二区| 久久国产乱子免费精品| 精品久久久精品久久久| 欧美一级a爱片免费观看看| 日韩av在线免费看完整版不卡| 视频中文字幕在线观看| 久久久久久久亚洲中文字幕| 免费观看a级毛片全部| 一级毛片我不卡| 18+在线观看网站| 少妇人妻一区二区三区视频| 99久久综合免费| 男女无遮挡免费网站观看| 午夜av观看不卡| 国产在视频线精品| 日韩在线高清观看一区二区三区| 九九久久精品国产亚洲av麻豆| 亚洲精品第二区| 欧美日韩一区二区视频在线观看视频在线| 2018国产大陆天天弄谢| 建设人人有责人人尽责人人享有的| 一个人看视频在线观看www免费| 99久久精品热视频| 精品人妻熟女av久视频| 内射极品少妇av片p| 少妇人妻 视频| 亚洲国产色片| 久久久久国产网址| 黑人高潮一二区| 亚洲欧美日韩另类电影网站| 国产成人精品福利久久| 亚洲av福利一区| 热re99久久精品国产66热6| 看十八女毛片水多多多| 成人影院久久| 欧美xxⅹ黑人| 精品国产乱码久久久久久小说| 久久午夜综合久久蜜桃| 人妻少妇偷人精品九色| av在线老鸭窝| 黑丝袜美女国产一区| 精品国产乱码久久久久久小说| 日韩成人av中文字幕在线观看| 建设人人有责人人尽责人人享有的| 国产av一区二区精品久久| 天天操日日干夜夜撸| av又黄又爽大尺度在线免费看| 曰老女人黄片| 国产欧美日韩精品一区二区| 欧美精品一区二区大全| 亚洲国产精品专区欧美| 国产综合精华液| 特大巨黑吊av在线直播| 免费大片黄手机在线观看| 成人国产麻豆网| 亚洲va在线va天堂va国产| 老女人水多毛片| 免费观看av网站的网址| 七月丁香在线播放| 一区二区三区免费毛片| 老女人水多毛片| 肉色欧美久久久久久久蜜桃| 一级毛片 在线播放| 久久久久网色| 国产成人精品福利久久| 一级a做视频免费观看| 美女视频免费永久观看网站| 国产免费福利视频在线观看| 王馨瑶露胸无遮挡在线观看| 亚洲无线观看免费| 午夜激情久久久久久久| 自线自在国产av| 亚洲精品,欧美精品| 亚洲av免费高清在线观看| 久久久久久久久久成人| 日韩三级伦理在线观看| 国产精品久久久久久久久免| 亚洲精品aⅴ在线观看| 在线观看免费高清a一片| a级一级毛片免费在线观看| 又大又黄又爽视频免费| 日本黄色片子视频| 欧美精品一区二区大全| 美女福利国产在线| 国产成人一区二区在线| 午夜激情久久久久久久| 国产91av在线免费观看| 欧美精品一区二区免费开放| 久久久久精品性色| 五月开心婷婷网| 国产精品女同一区二区软件| 在线观看免费视频网站a站| 国产精品国产三级国产av玫瑰| 在线亚洲精品国产二区图片欧美 | av线在线观看网站| 精品人妻偷拍中文字幕| 成人无遮挡网站| 人妻一区二区av| 久久久国产一区二区| 97在线人人人人妻| av福利片在线| 狂野欧美激情性bbbbbb| 美女脱内裤让男人舔精品视频| 国产高清有码在线观看视频| 伊人久久精品亚洲午夜| 夫妻午夜视频| 亚洲国产毛片av蜜桃av| 免费播放大片免费观看视频在线观看| 99热全是精品| 国产精品一区二区性色av| 亚洲高清免费不卡视频| 内射极品少妇av片p| 国产成人精品婷婷| 特大巨黑吊av在线直播| 久久久午夜欧美精品| 能在线免费看毛片的网站| 免费看光身美女| 丰满迷人的少妇在线观看| 美女中出高潮动态图| 久久久久久久久大av| 一级av片app| 男人舔奶头视频| 久久久久网色| 熟女电影av网| 91精品伊人久久大香线蕉| 麻豆成人av视频| 国产高清国产精品国产三级| 91成人精品电影| 99久久精品热视频| 晚上一个人看的免费电影| 免费高清在线观看视频在线观看| 久久久久网色| 亚洲电影在线观看av| 我要看黄色一级片免费的| 老司机影院毛片| 中文字幕av电影在线播放| 国产成人一区二区在线| 国产精品女同一区二区软件| 国产在线男女| 少妇的逼好多水| tube8黄色片| 草草在线视频免费看| 亚洲人成网站在线播| 精华霜和精华液先用哪个| 91精品国产九色| 成人黄色视频免费在线看| 一级av片app| 日本午夜av视频| 国产69精品久久久久777片| 国产亚洲5aaaaa淫片| 97精品久久久久久久久久精品| 日本-黄色视频高清免费观看| 高清不卡的av网站| 国产精品99久久久久久久久| 成人影院久久| 久久毛片免费看一区二区三区| 精品久久久久久久久av| 日本欧美视频一区| 在线观看三级黄色| 午夜影院在线不卡| 亚洲一级一片aⅴ在线观看| 精品亚洲成国产av| 国产男人的电影天堂91| 老熟女久久久| 国产伦精品一区二区三区视频9| 久热久热在线精品观看| 中文欧美无线码| 欧美3d第一页| 只有这里有精品99| 免费看av在线观看网站| 久久久午夜欧美精品| 久久精品夜色国产| 在线观看av片永久免费下载| 亚洲国产精品成人久久小说| 美女大奶头黄色视频| 国产日韩欧美视频二区| 少妇人妻一区二区三区视频| 亚洲av综合色区一区| 亚洲精品日韩av片在线观看| 极品教师在线视频| 日韩中字成人| 国产精品无大码| 最后的刺客免费高清国语| 91精品一卡2卡3卡4卡| 亚洲综合色惰| 日本黄色片子视频| 亚洲欧美精品自产自拍| 免费观看无遮挡的男女| 成人午夜精彩视频在线观看| 亚洲国产精品专区欧美| 麻豆精品久久久久久蜜桃|